根據美國媒體報導稱，谷歌AI部門和哈佛大學的研究人員已經創建了一個人工智能模型，能夠預測大地震後一年內餘震的位置。近幾十年來，該模型接受了199次大地震事件的訓練，隨後發生了130,000次餘震，並且被發現比用於預測今天餘震的方法更準確。
用於訓練神經網絡的數據集中包含的餘震發生在每個地震震中垂直延伸50公里，水平延伸100公里的周邊。
“以前的餘震預測基線在測試數據集中的精確度約為3％。我們的神經網絡方法的精度約為6％，”該項目的研究人員Phoebe DeVries表示，同時在周四的“ 自然” 雜誌上發表了相關內容。 “這種方法更為準確，因為它是在沒有強烈關注餘震應該發生在哪裡的情況下發展起來的。”哈佛大學法新社博士後研究員德弗里斯說。
“我們發現，在將這些模型應力變化饋入神經網絡後，神經網絡可以更準確地預測測試數據集中的餘震位置，即在餘震位置研究中大量使用的基線庫侖失效應力變化標準， “哈佛大學地球與行星科學系的Phoebe DeVries在接受電話採訪時表示。
用於訓練模型的數據來自於值得注意的地震，例如2004年蘇門答臘地震，2011年日本地震，舊金山灣區1989年Loma Prieta地震以及洛杉磯附近的1994年Northride地震。
結果發表在今天的“自然”雜誌上。該研究由DeVries和Google機器學習研究人員Martin Wattenberg和FernandaViégas以及Google AI招聘主管Brendan Meade共同撰寫。
雖然DeVries和Meade認為自己是計算地球科學家，但沒有真正的地震學家參與這項研究。
培訓AI模型的經驗教訓將用於探索一個更大的問題：什麼引發地震？
“雖然大多數神經網絡非常難以解釋，有時也被稱為黑盒子，但我認為因為我們對可能涉及的物理學有了一些了解，所以我們帶來了通過彈性傳遞應力的知識。重要的，“米德在電話採訪中告訴VentureBeat。 “事實證明我們的結果是可以解釋的。我們可以看一下這個網絡的內容並真正理解它，它實際上指出了一些可能導致地震觸發的物理理論，因此它引領我們走向一個令我們興奮的新方向。 ”
米德說，該模型無法將其他主要自然災害（如火山爆發）產生的地震考慮在內。
“任何機器學習應用程序，無論神經網絡是否具有推理能力，實際上不僅取決於架構而且取決於用於它的訓練集，並且我們沒有使用與火山或類似物相關的訓練集，所以我們沒有理由相信它會對這樣的事件起作用，“他說。
Meade說，該模型是根據過去幾年大地震的歷史數據進行訓練的，但未來的地震數據將向前發展。